基于三维主题特征测度的新兴主题识别研究

doi:10.3772/j.issn.1000-0135.2024.02.004

情报学报

2024, Vol. 43

Issue (2): 167-180 DOI: 10.3772/j.issn.1000-0135.2024.02.004

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于三维主题特征测度的新兴主题识别研究

郑德俊, 程为

南京农业大学信息管理学院，南京 210095

Emerging Topic Recognition Based on Three-Dimensional Topic Feature Measurement

Zheng Dejun, Cheng Wei

College of Information Management, Nanjing Agricultural University, Nanjing 210095

摘要
图/表
参考文献
相关文章 (9)

全文: PDF (2011 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要识别领域新兴主题有利于及时跟踪领域发展的最新动态，为科研工作者的选题以及科研管理者的决策提供情报支撑。本文提出一种基于三维主题特征测度的新兴主题识别方法，基于BERTopic对领域语义知识进行主题建模，以文献为基本单位进行主题表示，构建基于时间、引用和关联的三维主题特征指标框架，用于新兴主题识别；并以文本分类领域为例，验证本文方法的可行性与有效性。研究发现，以文献为基本单位表示主题能辅助主题深入挖掘，三维主题特征指标框架具有较好的适应性与扩展性，本文提出的新兴主题识别方法存在泛化应用的参考价值。在理论层面，能为新兴主题识别的相关研究提供一种可参考的方法和思路；在实践层面，可作为一种参考工具应用于科技情报分析、领域发展态势分析等场景。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	郑德俊
	程为

关键词 ：新兴主题识别, 主题建模, 主题特征测度, 文本分类

收稿日期: 2023-04-30

作者简介: 郑德俊，男，1968年生，教授，博士生导师，主要研究领域为计量分析、知识服务与评价，E-mail：zdejun@njau.edu.cn；程为，男，1998年生，博士研究生，主要研究领域为文本挖掘与科学计量；

引用本文:

郑德俊, 程为. 基于三维主题特征测度的新兴主题识别研究[J]. 情报学报, 2024, 43(2): 167-180.
Zheng Dejun, Cheng Wei. Emerging Topic Recognition Based on Three-Dimensional Topic Feature Measurement. 情报学报, 2024, 43(2): 167-180.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2024.02.004 或 https://qbxb.istic.ac.cn/CN/Y2024/V43/I2/167

1 卢超, 侯海燕, DingYing, 等. 国外新兴研究话题发现研究综述[J]. 情报学报, 2019, 38(1): 97-110.
2 Liang Z T, Mao J, Lu K, et al. Combining deep neural network and bibliometric indicator for emerging research topic prediction[J]. Information Processing & Management, 2021, 58(5): 102611.
3 段庆锋, 闫绪娴, 陈红, 等. 基于媒介比较的学科新兴主题动态识别——altmetrics与引文数据的融合方法[J]. 情报学报, 2022, 41(9): 930-944.
4 钱旦敏, 楼筱湾, 王华麟, 等. 我国信息资源管理学科及其邻近学科视角下的新兴主题识别[J]. 图书馆论坛, 2023, 43(9): 54-64.
5 郝雯柯, 杨建林. 基于语义表示和动态主题模型的社科领域新兴主题预测研究[J]. 情报理论与实践, 2023, 46(2): 184-193.
6 刘春江, 刘自强, 方曙. 基于SAO的技术主题创新演化路径识别及其可视化研究[J]. 情报学报, 2023, 42(2): 164-175.
7 贺德方, 潘云涛. 科技评价的内涵、分类与方法辨析及完善策略[J]. 情报学报, 2023, 42(1): 1-9.
8 Yang S L, Han R Z, Wolfram D, et al. Visualizing the intellectual structure of information science (2006-2015): introducing author keyword coupling analysis[J]. Journal of Informetrics, 2016, 10(1): 132-150.
9 Hou J H, Yang X C, Chen C M. Emerging trends and new developments in information science: a document co-citation analysis (2009-2016)[J]. Scientometrics, 2018, 115(2): 869-892.
10 马铭, 王超, 周勇, 等. 基于语义信息的核心技术主题识别与演化趋势分析方法研究[J]. 情报理论与实践, 2021, 44(9): 106-113.
11 荣国阳, 李长玲, 范晴晴, 等. 主题热度加速度指数——学科研究热点识别新方法[J]. 图书情报工作, 2021, 65(20): 59-67.
12 段庆锋, 陈红, 刘东霞, 等. 基于LSTM模型与加权链路预测的学科新兴主题成长性识别研究[J]. 现代情报, 2022, 42(9): 37-48, 142.
13 叶光辉, 王灿灿, 李松烨. 基于SciTS会议文本的跨学科科研协作新兴主题识别及预测[J]. 情报科学, 2022, 40(7): 126-135.
14 张东鑫, 张敏. 图情领域LDA主题模型应用研究进展述评[J]. 图书情报知识, 2022, 39(6): 143-157.
15 Moody C E. Mixing Dirichlet topic models and word embeddings to make lda2vec[OL]. (2016-05-06). https://arxiv.org/pdf/1605.02019.pdf.
16 胡吉明, 陈果. 基于动态LDA主题模型的内容主题挖掘与演化[J]. 图书情报工作, 2014, 58(2): 138-142.
17 张小平, 周雪忠, 黄厚宽, 等. 一种改进的LDA主题模型[J]. 北京交通大学学报, 2010, 34(2): 111-114.
18 Qin Y W, Qin X Z, Chen H H, et al. Measuring cognitive proximity using semantic analysis: a case study of China’s ICT industry[J]. Scientometrics, 2021, 126(7): 6059-6084.
19 沈思, 李沁宇, 叶媛, 等. 基于TWE模型的医学科技报告主题挖掘及演化分析研究[J]. 数据分析与知识发现, 2021, 5(3): 35-44.
20 Liu H L, Chen Z W, Tang J, et al. Mapping the technology evolution path: a novel model for dynamic topic detection and tracking[J]. Scientometrics, 2020, 125(3): 2043-2090.
21 Wu H, Yi H F, Li C. An integrated approach for detecting and quantifying the topic evolutions of patent technology: a case study on graphene field[J]. Scientometrics, 2021, 126(8): 6301-6321.
22 Zhang Y J, Ma J L, Wang Z J, et al. Collective topical PageRank: a model to evaluate the topic-dependent academic impact of scientific papers[J]. Scientometrics, 2018, 114(3): 1345-1372.
23 赵蓉英, 戴祎璠, 王旭. 基于LDA模型与ATM模型的学者影响力评价研究——以我国核物理学科为例[J]. 情报科学, 2019, 37(6): 3-9.
24 王婷婷, 韩满, 王宇. LDA模型的优化及其主题数量选择研究——以科技文献为例[J]. 数据分析与知识发现, 2018, 2(1): 29-40.
25 徐月梅, 吕思凝, 蔡连侨, 等. 结合卷积神经网络和Topic2Vec的新闻主题演变分析[J]. 数据分析与知识发现, 2018, 2(9): 31-41.
26 Abuzayed A, Al-Khalifa H. BERT for Arabic topic modeling: an experimental study on BERTopic technique[J]. Procedia Computer Science, 2021, 189: 191-194.
27 张敏, 沈嘉裕. 突发公共卫生事件中政务短视频主题与用户行为的关联演化研究[J]. 情报杂志, 2023, 42(3): 181-189.
28 孙佳佳, 李雅静. 基于关键词价值细分的高价值热点主题识别方法研究[J]. 情报学报, 2022, 41(2): 118-129.
29 李慧, 王若婷. 基于文献—关键词双模网络的热点识别方法研究——以数字人文领域为例[J]. 情报理论与实践, 2022, 45(11): 107-114.
30 许海云, 张慧玲, 武华维, 等. 新兴研究主题在演化路径上的关键时间点研究[J]. 图书情报工作, 2021, 65(8): 51-64.
31 Liu X Y, Porter A L. A 3-dimensional analysis for evaluating technology emergence indicators[J]. Scientometrics, 2020, 124(1): 27-55.
32 Zhang S T, Han F. Identifying emerging topics in a technological domain[J]. Journal of Intelligent & Fuzzy Systems, 2016, 31(4): 2147-2157.
33 Li M N, Wang W S, Zhou K Y. Exploring the technology emergence related to artificial intelligence: a perspective of coupling analyses[J]. Technological Forecasting and Social Change, 2021, 172: 121064.
34 Xu H Y, Winnink J, Yue Z H, et al. Multidimensional scientometric indicators for the detection of emerging research topics[J]. Technological Forecasting and Social Change, 2021, 163: 120490.
35 陈虹枢, 宋亚慧, 金茜茜, 等. 动态主题网络视角下的突破性创新主题识别: 以区块链领域为例[J]. 图书情报工作, 2022, 66(10): 45-58.
36 Kim E H J, Jeong Y K, Kim Y H, et al. Exploring scientific trajectories of a large-scale dataset using topic-integrated path extraction[J]. Journal of Informetrics, 2022, 16(1): 101242.
37 孙晓玲, 陈娜, 丁堃. 基于组合概率的技术主题新颖性研究[J]. 情报学报, 2022, 41(10): 1015-1023.
38 杨瑞仙, 高鑫宁, 董克. 我国学术代表作评价研究进展[J]. 图书情报工作, 2022, 66(17): 129-140.
39 Xu S, Hao L Y, An X, et al. Emerging research topics detection with multiple machine learning models[J]. Journal of Informetrics, 2019, 13(4): 100983.
40 高楠, 高嘉骐, 陈洪璞. 新兴技术识别与演化路径分析方法研究——以集成电路领域为例[J]. 情报科学, 2023, 41(3): 127-135, 172.
41 Grootendorst M. BERTopic: neural topic modeling with a class-based TF-IDF procedure[OL]. (2022-03-11). https://arxiv.org/pdf/2203.05794.pdf.
42 Gao Q, Huang X, Dong K, et al. Semantic-enhanced topic evolution analysis: a combination of the dynamic topic model and word2vec[J]. Scientometrics, 2022, 127(3): 1543-1563.
43 王伟, 梁继文, 杨建林. 基于引文网络的领域主题层次结构识别方法研究[J]. 图书情报工作, 2022, 66(17): 81-92.
44 Kim M, Baek I, Song M. Topic diffusion analysis of a weighted citation network in biomedical literature[J]. Journal of the Association for Information Science and Technology, 2018, 69(2): 329-342.
45 Gao T Y, Yao X C, Chen D Q. SimCSE: simple contrastive learning of sentence embeddings[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2021: 6894-6910.
46 王康, 高继平, 潘云涛, 等. 多位态研究主题识别及其演化路径方法研究[J]. 图书情报工作, 2021, 65(11): 113-122.
47 黄菡, 王晓光, 王依蒙. 复杂网络视角下的研究主题学科交叉测度研究[J]. 图书情报工作, 2022, 66(19): 99-109.
48 刘航冶, 富铁楠, 杨勇. 互联网开源文本情报智能分析技术综述[J]. 情报杂志, 2023, 42(2): 12-16.
49 淦亚婷, 安建业, 徐雪. 基于深度学习的短文本分类方法研究综述[J]. 计算机工程与应用, 2023, 59(4): 43-53.
50 Minaee S, Kalchbrenner N, Cambria E, et al. Deep learning—based text classification: a comprehensive review[J]. ACM Computing Surveys, 2022, 54(3): Article No.62.